УДК 681.518.3
В. Н. ЧЕРНЫШОВ, В. В. МИШИН
V. N. CHERNYSHOV, V. V. MISHIN
СИСТЕМА ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА ПОДШИПНИКОВ И ПОДШИПНИКОВЫХ УЗЛОВ
THE SYSTEM FOR PREDICTING THE RESIDUAL LIFE OF BEARINGS AND BEARING UNITS
В работе представлено описание структуры системы прогнозирования остаточного ресурса подшипника и подшипникового узла на основе математических моделей с возможностью интеллектуальной коррекции прогноза.
Ключевые слова: прогнозирование остаточного ресурса, распознавание образов
In this paper presents system the model-based for predicting the residual life of bearings and bearing unit with the possibility of intelligent correction.
Keywords: predicting the residual life, data mining
ПОСТАНОВКА ЗАДАЧИ
Подшипниковый узел во многом определяет эксплуатационные показатели машин, механизмов и приборных систем. Их отказы часто приводят к аварийным ситуациям и экономическим потерям. Техническое состояние подшипникового узла определяется совместным влиянием большого числа внешних (температура, статическая нагрузка, вибрация и удары, режимы смазывания, скоростные режимы и др.) и внутренних факторов (геометрических параметров рабочих поверхностей деталей, работоспособность системы смазывания, условия и режимы эксплуатации и др.).
Сам факт диагностирования того или иного дефекта подшипника в узле несет в себе полезную информацию, но эта информация мало применима для практики. Обслуживающий персонал больше интересует вопрос о возможности дальнейшей практической эксплуатации узла с дефектным подшипником и тех ограничениях, которые накладывает обнаруженный дефект на возможности использования. Для ответа на него необходимо решение задачи прогнозирования остаточного ресурса.
Прогнозирование – это предсказание технического состояния, в котором объект окажется в некоторый будущий период времени. Решение данной задачи весьма важно, в частности, и для предотвращения внезапного выхода деталей машин из строя. Прогноз позволяет заранее определить реальный срок их службы, что способствует организации планово-предупредительного ремонта объектов по техническому состоянию (вместо обслуживания по срокам или по ресурсу).
Вопрос прогнозирования остаточного ресурса подшипника и подшипникового узла во многом напоминает прогнозирование общего остаточного ресурса оборудования, но и имеет свои индивидуальные особенности [1].
• Каждый подшипник имеет свои уникальные физические особенности, приводящие к специфическим внутренним процессам. Поэтому каждый подшипник должен описываться своей математической моделью.
• Каждый подшипник должен описываться двумя различными моделями - одна должна описывать общие процессы износа подшипника без дефектов, а другая должна описывать процессы развития внутренних дефектов.
• Время полного развития дефектов, находящихся на разных элементах подшипника, например не внешнем кольце или на сепараторе, различно. Для дефектов каждого элемента подшипника должна существовать своя математическая модель.
Таким образом, задача прогнозирования остаточного ресурса подшипникового узла является многокритериальной и полностью трудно формализуемой в рамках диагностических математических моделей. Учитывая так же тот факт, что универсальных, простых и однозначных связей между параметрами информативных сигналов и состоянием подшипника в узле не были обнаружены, решение поставленной задачи необходимо искать в рамках теории распознавания образов. С опорой на имеющиеся математические модели иметь возможность коррекции прогнозов моделями, построенными в процессе обучения на эмпирических данных.
ОПИСАНИЕ СТРУКТУРЫ
На рисунке 1 представлена структура интеллектуальной системы прогнозирования остаточного ресурса подшипникового узла. В качестве источников информации для анализа выступают сигналы с первичных преобразователей. Наиболее информативными для описания системы «подшипник – сборка – смазка – режимы и условия работы» являются сигналы электрического сопротивления подшипника, вибросигнал и сигнал температуры [2]. Каждая группа сигналов должна сопровождаться описанием условий работы узла (температура, статическая нагрузка, режимы смазывания, скоростные режимы и др.) при котором они были получены.
Возможность прогнозирования величины остаточного ресурса узла обеспечивается при условии известности параметров, определяющие его техническое состояние, в частности необходимо обладать информацией о геометрии рабочих поверхностей подшипников и скорости развития дефектов. Для этой цели в системе имеется аналитический модуль Diagnostic algorithm, который совместно с базой данных организует диагностическое обеспечение. В результате диагностирования каждый раз определяется одна «точка» процесса эволюции дефектов для текущего момента времени. Хранение всех предшествующих результатов диагностирования дает объективную информацию, представляющую собой динамику развития процесса изменения геометрии. Максимальная скорость развития разных дефектов различна, поэтому контролируются развитие всех возможных дефектов, даже когда один из них только что зародился, а другой уже достаточно развит.
|
Рисунок 1 – Модульная структура системы прогнозирования остаточного ресурса подшипникового узла |
Аналитический модуль Discovering knowledge проводит анализ истории развития дефектов на предмет выявления шаблонов (повторяющихся во временной последовательностей) и правил развития дефектов. Задача – отобразить процесс разрушения, не укладывающийся в теории, в концепты и отношения между ними, создав тем самым аксиомы базы знаний, понимаемые машиной логического вывода.
Прогнозирование остаточного ресурса осуществляется по средствам модуля Prognostic algorithm. Если хронология не является аномальной и укладывается с заданной точностью в математическую модель, то прогнозирование осуществляется через экстраполяцию временной зависимости изменения величин возникших повреждений до предельно допустимого значения на основе соответствующей модели. Иначе для заданного контекста (условий работы) осуществляется поиск прогноза в базе знаний. Такой подход позволяет получить более точные оценки ввиду коррекции математических моделей на основе эмпирических знаний.
Обобщенная структура аналитических модулей Diagnostic algorithm и Discovering knowledge приведена на рисунке 2, и представляют собой совокупность четырех видов алгоритмов отображения данных.
Partitioning – алгоритмы разбиения данных на подмножества по заданному критерию, в качестве которого выступает тип физического носителя информации и/или совокупность внешних условий. Основная задача использования различных подвыборок состоит в возможности поиска устойчивых закономерностей, не зависящих от разбиения. В пределе все подмножества могут быть тождественны исходному, в таком случае происходит распараллеливание данных с целью их анализа с разных точек зрения последующими алгоритмами и построения коллективных решений.
|
Рисунок 2 – Обобщенная структура аналитических модулей |
Data preparation - набор алгоритмов для отображения представленных образов в пространство признаков. Применительно к сигналам такими алгоритмами служат в частности: преобразование Фурье, вейвлет разложение, функция распределения и др. Поскольку не все признаки в равной степени важны, имеется избыточность и зашумленность данных, алгоритмами данного класса решается также задача селекции признаков, что позволяет понизить размерность пространства и упростить интерпретацию.
Pattern recognition - набор алгоритмов для распознавания образов (нейронные сети, линейная регрессия, прогнозирование, деревья решений, самоорганизующиеся карты, ассоциативные правила). Данные алгоритмы решают четыре основных типа аналитических задач:
• задачи регрессии/классификации;
• задачи сегментации/кластеризации;
• анализ временных рядов;
• поиск ассоциативных правил.
Collector – набор алгоритмов по сведению результатов работы Pattern recognition к требуемому формату отчетов для последующей обработки или хранения. В случае если каждая ветвь обработки данных решает различные задачи, то Collector формирует итоговую структуру данных содержащую их решения. Для случая, когда алгоритмы Pattern recognition обучены для решения одной задачи, то Collector является также стабилизатором и для повышения качества итогового «коллективного» решения формируется отчет, применяя алгоритмы алгебраической или логической коррекции к входным данным. Такой подход позволяет осуществить взаимную компенсацию ошибок отдельных моделей и получить в итоге более точное решение задачи распознавания.
ВЫВОД
Предложенная интеллектуальная система позволяет осуществить автоматизированный переход от данных к информации необходимой для оценки фактического состояния подшипникового узла и его остаточного ресурса.
Структура системы основана на аналитических модулях, построенных в процессе обучения на экспериментальных данных. Каждый модуль в отдельности представляет композицию различных алгоритмов распознавания образов с возможностью коррекции результатов их работы.
В процессе автоматического анализа большого объема хранимых данных в ходе обучения выделяется эффективная информация. На основе, которой строится база знаний, содержащая развития дефектов, не описываемые математическими моделями, и тем самым дополняющая их при решении задачи прогнозирования ресурса. Такого рода интеллектуальная коррекция позволяет повысить достоверность прогноза.
СПИСОК ЛИТЕРАТУРЫ
1. Определение остаточного ресурса подшипника - внедрение обслуживания подшипников по техническому состоянию [Электронный ресурс] / Режим доступа: http://www. *****/opredelenie-ostatochnogo-resursa-podshipnika
2. Чернышов обеспечение для регистрации и комплексной обработки диагностических электрических параметров подшипника / , // Информационные системы и технологии – Орёл: ФГУ ВПО «Госуниверситет-УНПК». – 2011. – № 1. – С. 15-22.
ФГБОУ ВПО «Госуниверситет – УНПК» Аспирант Тел. (48 E-mail: *****@***com |
ФГБОУ ВПО «Госуниверситет – УНПК» к. т.н., доцент кафедры «Приборостроение, метрология и сертификация» Тел. (4862) E-mail: *****@***com *****@***ru |
